1. Определение: Искусственный интеллект и машинное обучение – это области компьютерных наук, сосредоточены на создании программного обеспечения, которое анализирует, интерпретирует и понимает данные комплексным образом.
2. Виды: Способы машинного обучения 1. Искусственная нейронная сеть Глубокое обучение 2. Метод коррекции ошибки 3. Метод обратного распространения ошибки 4. Метод опорных векторов
3. Описание различных видов машинного обучения
3.1. Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента.
3.2. Машинное обучение без учителя или неконтролируемое обучение (Unsupervised Learning) — метод машинного обучения (Machine Learning, ML), при котором модель обучается выявлять закономерности и скрытые взаимосвязи на наборах неразмеченных данных без контроля со стороны пользователя.
3.3. Обучение с частичным привлечением учителя также полуавтоматическое обучение или частичное обучение — способ машинного обучения, разновидность обучения с учителем, которое также использует неразмеченные данные для тренировки — обычно небольшое количество размеченных данных и большое количество неразмеченных данных.
3.4. Обучение с подкреплением (RL) – это метод машинного обучения (ML), который обучает программное обеспечение принимать решения для достижения наиболее оптимальных результатов. Такое обучение основано на имитации процесса обучения методом проб и ошибок, который люди используют для достижения своих целей.
3.5. Глубокое обучение — это разновидность машинного обучения, в рамках которого искусственные нейронные сети (алгоритмы, которые должны работать, как человеческий мозг) обучаются на огромных объемах данных.
3.6. Метод опорных векторов (англ. support vector machine, SVM) — один из наиболее популярных методов обучения, который применяется для решения задач классификации и регрессии. Основная идея метода заключается в построении гиперплоскости, разделяющей объекты выборки оптимальным способом.
4. Применение в различных сферах
4.1. Распознавание речи
4.2. Распознавание жестов
4.3. Распознавание рукописного ввода
4.4. Распознавание образов
4.5. Техническая диагностика
5. Классические задачи, решаемые с помощью машинного обучения
5.1. Классификация, как правило, выполняется с помощью обучения с учителем на этапе собственно обучения.
5.2. Кластеризация, как правило, выполняется с помощью обучения без учителя
5.3. Регрессия, как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования.
6. История: Машинное обучение как понятие возникло в 1959 году на конференции в Дартмутском колледже. Однако первые работы по теории и методам машинного обучения начались задолго до этого, в начале 20 века.
6.1. в 1951 году была придумана первая нейронная сеть
6.2. Позднее в 1957 году Фрэнк Розенблатт создал персептрон, который стал первым алгоритмом машинного обучения, который смог самостоятельно обучаться.
6.3. А в 1967 году Себастьян Трун и Бернард Уидроу создали алгоритм обратного распространения ошибки, который значительно улучшил эффективность нейронных сетей.
6.4. В 1990-х годах появились новые методы, такие как опорно-векторная машина и деревья решений, которые стали широко применяться в практике.
